【技术实现步骤摘要】
本申请属于半导体，更具体地，涉及一种基于图神经网络的光刻热点检测方法及系统。
技术介绍
1、现有技术提出了各种光刻热点检测（lithography hotspot detection）方法，包括：基于光刻仿真（lithography simulation）的方法、基于模式匹配（pattern matching）方法、基于机器学习的方法和基于深度学习的方法；基于光刻仿真的方法使用制造工艺的物理和数学模型模拟制造结果并定位热点，其计算资源需求高，且检测速度最慢；基于模式匹配的方法根据已知的热点以建立热点库，然后将需要检测的版图进行扫描，将版图中的每个区域和库中已知的热点模式进行比较，如果发现版图中某个区域和热点库中的某个拓扑结构相似，就认为该区域为热点；模式匹配方法相比于光刻仿真检测速度更快，但是泛化性交叉，当被检测的版图未出现过在热点库中时检测精度较低且构建热点库耗时；基于机器学习的方法应用机器学习模型在人工设计的版图特征上进行热点检测；机器学习方法相比模式匹配方法进一步提高了检测精度和泛化性，但其需要大量数据进行训练且需要手工提取版图特征；基于深度学习的方法应用卷积神经网络（convolution neural networks，cnns）进行自动特征提取，其中版图直接表示为图像并作为卷积神经网络的输入进行特征提取并进行二分类，提供了迄今为止相比之前的基于模式匹配和基于机器学习的方法最高的热点检测精度和比光刻仿真更快的检测速度。
2、然而目前基于cnn的光刻热点检测方法仍然具有以下不足：（1）模型复杂度高，计算资源需
技术实现思路
1、针对现有技术的缺陷，本申请的目的在于提供一种基于图神经网络的光刻，旨在解决现有采用cnn模型进行版图热点检测时存在的计算效率较低且测量精度不足的问题。
2、为实现上述目的，第一方面，本申请提供了一种基于图神经网络的光刻热点检测方法，包括以下步骤：
3、步骤一：基于多边形金属构建的版图，将每个多边形金属采用水平方向扫描分解为若干独立的矩形，并将每个矩形作为一个结点；
4、步骤二：当相邻矩形构成多边形金属的一个角时，则在相邻矩形之间添加内部边；当相邻矩形的投影重叠且距离小于预设阈值，则在相邻矩形之间添加外部边；
5、步骤三：以矩形的对角顶点坐标作为结点特征，以矩形之间的最小距离代表边特征，完成版图的图表示；
6、步骤四：将版图的图表示输入至gnn模型的消息传递层通过更新边特征和结点特征，进而进行图特征提取，对所有结点特征的每个维度进行全局最大池化和全局平均池化，获取全局图表示；
7、步骤五：将全局图表示输入至gnn模型的分类层，将全局图表示分类为热点和非热点。
8、进一步优选地，gnn模型的训练方法，包括以下步骤：
9、基于设计版图，采用光刻仿真生成模拟制造版图，并对模拟制造版图进行缺陷检测，对缺陷位置进行缺陷标记；
10、使用有效区域窗口进行检测，计算缺陷标记与有效区域窗口重叠面积占比；
11、若重叠面积超过30%，则将版图分类标签设为热点，否则设为非热点；
12、将具有分类标签的模拟制造版图划分为训练集和测试集；
13、将训练集中的模拟制造版图依次经步骤一、步骤二和步骤三获取各多边形金属对应的图表示，并输入至gnn模型中，使用分类标签的独热码与模型预测概率的交叉熵损失作为代价函数，并反向传播对gnn模型进行迭代更新，获取训练完毕的gnn模型；
14、将测试集中的模拟制造版图依次经步骤一、步骤二和步骤三获取图表示输入至训练完毕的gnn模型中进行前向计算，输出模拟制造版图对应的预测概率最大的类别；
15、将模拟制造版图对应的预测概率最大的类别与分类标签进行对比，评估训练完毕的gnn模型。
16、进一步优选地，步骤二中预设阈值为版图中的最小间距的1.2-1.5倍。
17、进一步优选地，图特征提取具体包括以下步骤：
18、将版图的图表示输入至gnn模型的消息传递层，利用结点聚合其相邻结点的信息；其中，在第k个消息传递层之后，每个结点将包含其最远为k跳的邻居信息；
19、基于在第k个消息传递层中结点之间的边特征以及结点特征，结合单层感知机，获取在第k+1个消息传递层中结点之间的边特征；
20、基于在k个消息传递层中结点特征以及在第k+1个消息传递层中结点之间的边特征，利用注意力系数以及两层感知机的边相关结点特征更新函数，在第k+1个消息传递层中结点特征。
21、进一步优选地，边特征更新为：
22、
23、
24、其中，和分别表示结点 v和 w的结点特征；和是单层感知机；r表示的边类型；表示结点 v和结点 w之间的边；当r=0时，代表为内部边；当r=1时，代表为外部边；为在第k+1个消息传递层中结点 v和 w之间的边特征；为级联。
25、进一步优选地，结点特征更新为：
26、
27、
28、其中，是与结点 v有内部边或外部边连接的邻居结点的集合；是使用两层感知机的边相关结点特征更新函数；为注意力系数，控制结点 v从其邻居获得的注意力。
29、进一步优选地，全局图表示为：
30、
31、其中，表示最后一个消息传递层中结点的特征；gmp和gap分别表示对所有结点特征的每个维度进行的全局最大池化和全局平均池化； v表示结点的集合。
32、第二方面，本申请提供一种基于图神经网络的光刻热点检测系统，包括：
33、多边形金属分解模块，用于基于多边形金属构建的版图，将每个多边形金属采用水平方向扫描分解为若干独立的矩形，并将每个矩形作为一个结点；
34、边添加模块，用于当相邻矩形构成多边形金属的一个角时，则在相邻矩形之间添加内部边；当相邻矩形的投影重叠且距离小于预设阈值，则在相邻矩形之间添加外部边；
35、特征确定模块，用于以矩形的对角顶点坐标作为结点特征，以矩形之间的最小距离代表边特征，完成版图的图表示；
36、全局图表示获取模块，用于将版图的图表示输入本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的光刻热点检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的光刻热点检测方法，其特征在于，GNN模型的训练方法，具体包括以下步骤：
3.根据权利要求1所述的光刻热点检测方法，其特征在于，步骤二中预设阈值为版图中的最小间距的1.2-1.5倍。
4.根据权利要求1或2所述的光刻热点检测方法，其特征在于，步骤四中图特征提取具体包括以下步骤：
5.根据权利要求4所述的光刻热点检测方法，其特征在于，边特征更新为：
6.根据权利要求5所述的光刻热点检测方法，其特征在于，全局图表示为：
7.一种基于图神经网络的光刻热点检测系统，其特征在于，包括：
8.根据权利要求7所述的光刻热点检测系统，其特征在于，还包括GNN模型训练模块，GNN模型训练模块包括：
9.根据权利要求7所述的光刻热点检测系统，其特征在于，全局图表示获取模块中包括图特征提取单元，图特征提取单元包括：
10.根据权利要求9所述的光刻热点检测系统，其特征在于，边特征更新子单元中边特征更新为：<...
【技术特征摘要】
1.一种基于图神经网络的光刻热点检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的光刻热点检测方法，其特征在于，gnn模型的训练方法，具体包括以下步骤：
3.根据权利要求1所述的光刻热点检测方法，其特征在于，步骤二中预设阈值为版图中的最小间距的1.2-1.5倍。
4.根据权利要求1或2所述的光刻热点检测方法，其特征在于，步骤四中图特征提取具体包括以下步骤：
5.根据权利要求4所述的光刻热点检测方法，其特征在于，边特征更新为：
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。